人脸表情识别算法研究.docxVIP

人脸表情识别算法研究 　　摘要：情感是表达内心想法的重要方式。隨着人机交互和人工智能的崛起，人脸表情识别也逐渐成为当前的一个研究热点。人脸表情识别是在人脸识别的基础之上发展而来的，但和人脸识别存在着一定的差异，表情识别需要在人脸识别之后，利用一系列的算法对面部表情细节特征加以提取，再利用分类器对所提取的表情加以分类、识别。文章就人脸表情识别的3部分进行阐述，介绍了每一部分的思想和所用的主要算法，并对表情特征的提取、分类的方法重点介绍。 　　关键词：人脸检测;人脸表情识别;特征提取;特征分类 　　情感影响着人们生活的方方面面，例如：健康、人际关系，还影响着如何学习、做决定、做生意等各个方面。1971年，ekman与friesen最早提出人类有7种基本情感：自然、愤怒、高兴、悲伤、惊讶、厌恶和恐惧[1]。 　　随着科技的进步与发展，计算机的发展也是日益迅速，人机交互快速崛起，人们几乎每天都要用到计算机和网络，甚至和计算机打交道要比与现实生活中其他人打交道还多。尽管如此，电脑也无法识别人类的情绪，毕竟很多技术只是具有认知性智能，没有情绪性智能。许多研究者都想到：如果计算机等技术可以识别人类的情绪将会如何？如果设备可以识别人类感受并且做出相应的反应将会怎样？这些问题引导着众多研究者去创造可以阅读情绪并做出反应的技术。而研究的起点就是人脸，因为在日常生活交流中，人脸是最基本的方式之一，通过人脸可以表达内心的情绪状态。在情感科学中，每一个面肌运动都被称为一个动作单元，例如，动作单元12代表微笑的主要构成—嘴角上扬;动作单元04代表眉间纹，当眉毛拧到一起的时候纹理和皱纹就会出现，是一个很强的负面情绪指示器。动作单元大概有45个，相应的组合则可以表达相应的上百种情绪，很难让电脑读懂这些情绪，因为其细小微妙、稍纵即逝，同时还有很多的组合方式。 　　1人脸检测的综述 　　人脸检测是指对于任意图像进行扫描图像时检测是否包含人脸，如果是则返回人脸的位置、大小[2]。 　　1.1人脸识别的特点 　　与其他的识别类型相比，人脸识别的特点有： 　　（1）被动性。设备能够在用户不经意间获取人脸图像，从而达到采集的主动性，减少了麻烦。 　　（2）同时性。在现实生活中，当一个场景下同时有多个人时，设备也可以对多个人同时进行采集人脸图形，并且进行人脸的分选、判断和识别。 　　（3）设备采集所获得的结果直接，设备也具有隐蔽性。 　　1.2人脸检测 　　人脸图像采集：无论被采集者是静止不动还是正在运动，不管面向什么方向或者在做什么样的动作，只要在设备的采集区域内，摄像镜头都将会自动搜索并采集。 　　人脸检测：人脸识别时，先要对人脸位置进行检测。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征等[3]。 　　1.3adaboost算法 　　在当下的研究中，人脸检测一般都采用adaboost算法。adaboost的思想是指修改上一个弱学习算法，每个分类器要等上一个分类器训练结束后才能开始。如此，可以很好地关注到上一个分类器的失误样本，从而使得下一个分类器可以主动修改、弥补其不足。 　　2表情特征提取的综述 　　人们把用眼睛观察到的视觉信息叫作图像信息，如人脸的表情信息，是整体识别和特征识别共同作用的结果。 　　2.1人脸表情识别的流程 　　人脸表情识别由人脸检测、表情特征提取和表情特征分类识别组成[4]。当采集到一张图像时，除了所需的人脸以外，还包括一些障碍物，如背景物。因此，首先削弱人脸以外的干扰物，再对人的外部轮廓进行识别，或者在预处理过程中进行数据增广，图像处理里有平移旋转的不变性，换句话而言，一个人的照片竖着放和横着放都是这个人。其次，对脸部进行定位，将脸的局部特征进行框定和识别，对相应的特征进行分析，再用分类器对特征进行分类和识别，最终进行情绪的映射，形成各个情绪。 　　2.2表情特征提取的方法 　　表情特征提取的方法有基于几何、统计、频率域等[5]。 　　（1）基于几何的特征提取方法：常用几何特征模型有aam，该方法无须大量数据的输入，但会丢失一些重要信息，导致最终的结果不准确。 　　（2）基于整体统计的特征提取方法：有pca和ica。pca是一种统计方法，可以被看作是一种非常重要的降维技术，而降维是提高有效性的前提，通过pca的转化，信息量并没有本质上的变化，只是转换前的信息分散在各个原始指标变量中，而转换之后，信息集中分布在重要的综合指标当中，而有些信息量相对较少或者不重要，则可将其丢弃，从而达到降维的效果。 　　（3）基于频率域的